FastApi-RESTful 项目中的枚举类型最佳实践
2025-07-04 01:28:49作者:霍妲思
为什么要在 API 中使用枚举类型
在构建 RESTful API 时,枚举类型是一种非常有用的工具,它能够:
- 限制输入值的范围,确保客户端只能传递预定义的有效值
- 自动生成清晰的文档,使 API 使用者一目了然地知道可用的选项
- 提高代码的可读性和可维护性,使用有意义的名称代替魔术字符串或数字
字符串枚举 vs 整数枚举
在 API 设计中,我们通常面临选择使用字符串枚举还是整数枚举的决策:
- 整数枚举:占用空间小,传输效率高,但调试困难,可读性差
- 字符串枚举:占用空间稍大,但可读性强,调试方便,文档清晰
对于大多数应用场景,字符串枚举的开发优势远远超过了其微小的性能/带宽开销。
在 FastAPI 中实现字符串枚举
在 Python 中创建适用于 FastAPI 的字符串枚举非常简单:
from enum import Enum
class Status(str, Enum):
PENDING = "PENDING"
PROCESSING = "PROCESSING"
COMPLETED = "COMPLETED"
这种实现方式:
- 继承
str确保枚举值会被序列化为字符串 - 继承
Enum提供枚举功能 - 会被 FastAPI 正确识别并生成 OpenAPI 文档
避免常见的枚举陷阱
在实际开发中,我们可能会遇到以下问题:
问题场景:重构枚举名称时忘记更新对应的值
class Status(str, Enum):
WAITING = "PENDING" # 名称和值不一致
IN_PROGRESS = "PROCESSING"
DONE = "COMPLETED"
这会导致客户端必须使用旧值("PENDING")而不是新名称("WAITING")才能通过验证。
使用自动值生成
Python 标准库提供了 auto() 来自动生成枚举值。默认情况下它生成整数,但我们可以自定义行为:
from enum import Enum, auto
class AutoName(str, Enum):
def _generate_next_value_(name, start, count, last_values):
return name.lower()
class Status(AutoName):
WAITING = auto() # 值自动设为 "waiting"
IN_PROGRESS = auto() # 值自动设为 "in_progress"
DONE = auto() # 值自动设为 "done"
FastApi-RESTful 提供的便利枚举类
为了简化开发,FastApi-RESTful 提供了两个实用的枚举基类:
1. StrEnum
from fastapi_restful.enums import StrEnum
class Status(StrEnum):
WAITING = auto() # 值自动设为 "WAITING"
IN_PROGRESS = auto() # 值自动设为 "IN_PROGRESS"
DONE = auto() # 值自动设为 "DONE"
2. CamelStrEnum
from fastapi_restful.enums import CamelStrEnum
class Status(CamelStrEnum):
WAITING = auto() # 值自动设为 "waiting"
IN_PROGRESS = auto() # 值自动设为 "inProgress"
DONE = auto() # 值自动设为 "done"
实际应用示例
假设我们正在开发一个任务管理系统,可以这样定义状态枚举:
from fastapi_restful.enums import CamelStrEnum
from pydantic import BaseModel
class TaskStatus(CamelStrEnum):
NEW = auto()
IN_PROGRESS = auto()
ON_HOLD = auto()
COMPLETED = auto()
CANCELLED = auto()
class Task(BaseModel):
id: int
title: str
status: TaskStatus
这样定义的 API 将:
- 自动验证输入状态是否为预定义值
- 在文档中清晰显示所有可用状态
- 使用驼峰命名法(camelCase)的字符串值,符合常见的前端命名习惯
总结
在 FastApi-RESTful 项目中使用枚举类型可以显著提升 API 的质量和开发体验。通过利用项目提供的 StrEnum 和 CamelStrEnum,开发者可以:
- 减少样板代码
- 避免常见的枚举陷阱
- 保持一致的命名风格
- 生成更友好的 API 文档
对于大多数 Web API 开发场景,字符串枚举是最佳选择,而 FastApi-RESTful 提供的工具让这一选择更加简单和高效。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217